搜索
统一多模态模型（Unified Multimodal Models, UMMs）通常为理解和生成分别使用不同的视觉表示：用 ViT 提取理解所需的语义特征，用 VAE 提供生成所需的潜变量。这样一来，同一张图像要以两种 token 进入上下文，视觉上下文随之变长；这种双流接口也不同于视觉-语言模型（VLM）常用的单一视觉流，难以直接沿用成熟的 VLM 预训练流程。
字节 Seed 核心负责人周畅已离职创业，方向为 Physical AI，并获头部美元基金支持，具体投资方、融资金额及估值尚未披露。
阿里数据团队基于117个模型技术报告筛选158个评测基准，提出基准健康指数（BHI），按能力区分度、抗饱和度和影响力诊断基准，论文获NeurIPS 2026 Evaluations and Datasets Track（Oral）录用，Humanity's Last Exam（HLE）综合第一。
Genspark的视频Agent工作台，Genspark Media Studio，正式发布了！
一家一人药企，被Anthropic收购了！
曾获LeCun转发推荐、狂揽1,000万下载的百度开源神作，又杀回来了！
第一视角视频越来越多，研究人员怎样把这些记录变成能够改善机器人能力的训练信息？
基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。
开源界刚刚发生了一件魔幻到离谱的大事。
MiniMax与KAGAMIAI等日本伙伴推出H3 IP Edition，利用H3生成内容，并通过Kagami Gate管理日本IP授权、使用记录和收益分配，已有超60家公司表达采用兴趣。